Anomaly Detection in Electrocardiogram using Bidirectional Long Short-Term Memory Residual Networks

최근 인공지능(AI)의 발전은 의료 분야, 특히 심전도(ECG)와 같은 신호 분석 기반 분류 작업의 성능을 크게 향상시켰다. 본 연구는 ECG 신호 분석을 통해 폐쇄성 수면 무호흡증(OSA)을 감지하는 데 중점을 둔다. 이를 위해, 양방향 장기 단기 기억 네트워크(Bi-LSTM)와 잔차 신경망(ResNet)을 결합한 하이브리드 모델을 제안한다. 이 모델은 ECG의 깊은 특징과 시간적 의존성을 활용해 OSA 패턴을 효과적으로 식별한다. PSG-Audio 데이터셋을 사용한 실험에서 본 모델은 평균 정확도 94.65%(최대 97.84%), 정밀도 94.65%(최대 98.13%), 민감도 93.92%(최대 100%), F1 점수 0.94(최대 0.979)를 달성하며 Bi-LSTM-CNN 모델보다 우수한 성능을 보였다. 이 결과는 본 모델이 개인 건강 모니터링 시스템에서도 실용적이고 비침습적인 OSA 조기 감지 솔루션이 될 수 있음을 시사한다.